对单细胞蛋白数据的统计分析
Brooke L Fridley1, Simon Vandekar, Inna Chervoneva
1Department of Biostatistics and Bioinformatics, Moffitt Cancer Center Tampa, FL 33612, USA2Biostatistics and Epidemiology Core, Children's Mercy Hospital Kansas City, MO 64108, USA, Brooke.Fridley@Moffitt.org.
Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
|December 31, 2023
概括
在癌症中,免疫细胞分析对于理解结果至关重要. 新的多重免疫光 (mIF) 方法和空间统计数据更准确地揭示了瘤微环境 (TME) 中的免疫细胞模式.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算病理学计算病理学
- 生物信息学是一种生物信息学.
背景情况:
- 免疫调节显著影响癌症的发病和进展.
- 免疫细胞密度与癌症患者的临床结果相关.
- 瘤微环境 (TME) 在癌症发展中起着至关重要的作用.
研究的目的:
- 为分析多重免疫光 (mIF) 数据提供最先进的统计方法.
- 使用先进的统计方法探索瘤微环境 (TME) 的空间背景.
- 超越总体免疫细胞测量,并考虑癌症研究中的空间异质性.
主要方法:
- 多重免疫光 (mIF) 显微镜用于TME评估的应用.
- 使用自动化图像分析来提高mIF数据的可复制性和准确性.
- 采用新的统计方法来分析TME内的免疫细胞的空间模式.
主要成果:
- 多重复合免疫光 (mIF) 能够在组织微阵列 (TMA) 和整个组织部分中详细可视化免疫细胞群.
- 当前的mIF数据分析往往忽视了空间异质性,因为它专注于总体免疫细胞丰度.
- 正在出现先进的统计方法,以从mIF数据中捕捉TME的空间背景.
结论:
- 多复合免疫光学 (mIF) 与自动化分析相结合,可提供TME的准确表征.
- 考虑空间异质性对于全面了解免疫细胞在癌症中的作用至关重要.
- 新型的统计方法是释放癌症研究mIF数据的全部潜力的关键.
